Comment utiliser l'IA  pour résoudre des problématiques business ?

IA Machine Learning Entreprise

Construire des solutions d'apprentissage automatique ou d'IA peut parfois être une tâche difficile.
Outre l'incertitude que cela implique, il peut être extrêmement difficile de convaincre les parties prenantes de votre organisation d'investir dans ce type de solution.

En plus de cela, il y a une couche supplémentaire de complexité lorsque vous tentez cela dans un secteur réglementé comme la banque ou les produits pharmaceutiques.

La méthode proposée ici se concentre sur 5 axes :

1/Business Capture
2/ La formulation du problème d'IA
3/ La Data Strategy
4/ La conception du système d'IA
5/ L'évaluation des performances et de la faisabilité

Business Capture

Domaine d'activité et propriétaire : Commencer par identifier les collaborateurs susceptibles de financer un déploiement à grande échelle de votre solution.

Problème : Écrivez le problème à résoudre. Si le problème semble trop compliqué, décomposez-le en sous-problèmes et traitez-les séparément. Pensez à répondre aux questions suivantes : À quoi ressemble une solution réussie ? Quelles sont les différentes parties prenantes ? etc.

Bénéfice pour l'entreprise : Vous devez estimer le bénéfice pour l'entreprise si votre solution était mise en place. Au départ, il s'agira d'un calcul approximatif basé sur les meilleurs résultats possibles. Vous l'affinerez plus tard, une fois le prototype construit. Vous devez exprimer cet avantage de manière quantitative et qualitative.

ML Machine Learning DL Deep Learning

La formulation du problème d'IA

Proposition de valeur : Essayez de comprendre qui est l'utilisateur final, quels sont ses objectifs et comment il pourrait bénéficier de l'apprentissage automatique ou de l'IA.

Prise de décision : Les systèmes intelligents peuvent être efficaces pour prendre des décisions. Examinez les décisions que votre système prend ou complète, leur échelle et leur fréquence.

Services ML : Votre solution peut nécessiter l'utilisation d'une combinaison de services de ML ou d'IA fournis par une plateforme cloud ou un PaaS ML. Il est utile d'examiner ces services et de déterminer comment les utiliser au mieux.

Machine Learning : Toutes les solutions ne vous obligeront pas à construire un modèle d'apprentissage automatique sur mesure. Vous devez évaluer si vous aurez besoin de le faire ou non. Notez que la construction de votre propre solution d'apprentissage automatique sur mesure est souvent plus complexe que l'utilisation de services d'apprentissage automatique.

machine learning stratgie ML

La Data Strategy

Les données sont au coeur de votre stratégie de Machine Learning, il est donc important de saisir en détail vos besoins en matière de données.

Considérez d'abord vos besoins en matière d'entraînement et d'inférence. Si vous entraînez un modèle d'apprentissage automatique, quelles caractéristiques pourraient être prédictives ? Si vous ne faites que de l'inférence, quelles sont les données nécessaires ?

Gestion des données

Ici aussi, vous devez réfléchir à votre approche de la gestion et de l'approvisionnement des données.
Utilisez-vous des données structurées/semi-structurées, des données non structurées, ou les deux ?

Les exigences en matière de traitement des données structurées et semi-structurées sont différentes de celles des données non structurées. La manière dont vous stockez vos données, les coûts de traitement, le volume disponible sont quelques éléments à prendre en compte.

Enfin, vous voudrez saisir vos coûts d'acquisition, car les données ne sont pas gratuites, et votre proposition de valeur pourrait être considérablement réduite si elle nécessite des données coûteuses.

Labellisation des données

Dans un contexte industriel, vous pourriez vouloir adopter une approche d'apprentissage automatique supervisé, mais vous n'avez peut-être pas étiqueté vos données.

Vous devez comprendre les biais de votre ensemble de données et mettre en place des stratégies pour les gérer. Voici quelques exemples de biais :

Biais de parrainage : Vos sources de données proviennent-elles d'un agent de parrainage ? Les agents de parrainage ont tendance à supprimer les données qui pourraient nuire à leur réputation. Par exemple, des données sur l'impact du tabac sur la santé recueillies.

Biais d'auto-sélection : Une forme de biais de sélection où vos sources de données proviennent de ceux qui se sont portés volontaires pour les fournir. C'est le cas de la plupart des données d'enquête.

La conception du système d'IA

L'approche : Décrivez par écrit l'approche que vous comptez adopter pour résoudre votre problème. Vous devez avoir une bonne idée des services d'apprentissage automatique dont vous avez besoin et savoir si vous devez ou non entraîner un modèle.

Exigences de performance : Quelles sont les performances minimales qui sont attendues ? Vous devez y penser en termes d'exigences de latence et de performances de tout modèle que vous construisez ou utilisez sur des données de test. Vos objectifs de performance doivent être conformes aux exigences de votre entreprise.

Résultats : Quels seront vos résultats ? Votre système intelligent fournira-t-il des déductions à une autre application ou sera-t-il utilisé pour générer un dashboard ? Cela aura des répercussions sur les modèles de conception que vous choisirez plus tard.

La recherche : Vous devez avoir une vue d'ensemble des applications existantes qui pourraient résoudre votre problème. Il est souvent plus efficace d'opter pour une solution "prête à l'emploi" que d'essayer de réinventer la roue. Un autre élément à prendre en compte est de savoir si le problème que vous essayez de résoudre est un cas d'utilisation typique du ML. Il y a beaucoup d'incertitude autour du succès des projets ML, il est utile de savoir si ce problème a été résolu dans le passé afin de vous donner une idée de vos chances de succès.

Conception d'une solution de "haut niveau" : Définissez la conception de votre solution de bout en bout. Si votre solution est "cloud native", restez au niveau des services et n'entrez pas encore dans les détails de votre pipeline ML (si vous formez un modèle). Ces diagrammes sont utiles pour les ingénieurs, qui peuvent vous aider à passer à l'échelle à un moment donné.

Stratégie d'apprentissage automatique : Si vous formez votre propre modèle, énumérez les modèles que vous allez essayer ainsi qu'un modèle de base. Il est utile de mentionner les limites de chaque modèle. Vous devriez également dessiner un pipeline d'apprentissage automatique plus détaillé, y compris les étapes de séparation des données, le traitement des données, le feature engineering, la formation du modèle et les boucles d'évaluation, etc.
Vous aurez probablement besoin de définir vaguement votre stratégie de surveillance des modèles ML que vous entraînez une fois qu'ils sont en ligne. Réfléchissez aux attributs que vous souhaitez surveiller, à la manière dont vous allez définir vos performances de base et à votre calendrier de surveillance. En règle générale, vous voudrez probablement surveiller la qualité des données, la qualité/performance du modèle, la dérive du biais du modèle et l'attribution des caractéristiques.

Entraînement et évaluation du modèle : Quelle est votre split train, validation et test set ? Quelles stratégies utiliserez-vous pour ajuster vos hyper paramètres et tester votre modèle ?

Plateformes, outils et infrastructure : Pensez aux services dont vous avez besoin et à ce qu'ils vous coûteront. Si vous utilisez une plateforme cloud, il existe une myriade de services d'apprentissage automatique que vous pouvez exploiter, et vous pouvez estimer les coûts à l'aide de la calculatrice souvent fourni sur des services comme AWS ou Azure.

ML DL stratgie

L'évaluation des performances et de la faisabilité

Que vous entraîniez vos propres modèles ou que vous tiriez parti de services d'apprentissage automatique existants, vous devez suivre leurs performances en fonction des exigences que vous avez définies.

Pour les solutions d'apprentissage automatique sur mesure, vous devez disposer d'une stratégie scientifiquement rigoureuse pour évaluer les performances du modèle afin d'éviter les sur-ajustements et de maximiser les chances que votre modèle fonctionne correctement en production.

N'oubliez pas que votre objectif final est de construire un modèle qui puisse fonctionner en production et apporter une valeur ajoutée à votre entreprise. Une fois que vous aurez défini toutes les exigences et construit le prototype, vous aurez une meilleure idée de la faisabilité de votre solution à l'échelle. Les éléments à prendre en compte sont les suivants :

L'infrastructure des données : Accès, volume et qualité des données.

ML/Solution : Ressources techniques disponibles, solutions existantes, connaissance de la solution.

Processus et systèmes : La mise en œuvre de votre solution nécessite-t-elle des modifications de processus, des ajustements de systèmes ou des changements organisationnels ?

Savoir-faire : Disposez-vous de la technologie et de la connaissance du domaine ? Et combien de temps faudra-t-il pour former votre équipe afin qu'elle réponde aux exigences ?

Mise en service de la solution : Combien de temps faudra-t-il pour mettre votre solution en service ?

Vous devez être capable d'évaluer la valeur et la faisabilité de votre solution. Vous devez opter pour des solutions qui ont une grande valeur et une grande faisabilité, mais très peu de solutions que vous concevez entreront dans cette catégorie dès le départ.

Vous devriez revoir la conception initiale pour voir si vous pouvez opter pour une approche qui présente une faisabilité plus élevée. Si vous êtes dans une organisation qui se trouve au début de la courbe d'adoption des applications intelligentes, vous pouvez évaluer plusieurs de ces solutions pour voir où il y a des possibilités d'investissement.

En savoir plus

Contactez nos équipes pour en savoir plus sur notre expertise Data

NOUS CONTACTER

Adopter Iziday

Trouver une solution à vos enjeux Data n'a jamais été aussi simple

LANCER VOTRE PROJET